arXiv · cs.LG· Alec Sargood, Olivia Gallup, Georg Maierhofer, Noam Ghenassia, Paul Duckworth, Krisztina Sinkovics, Avishek Joey Bose·· 4 小时前
MARTINI：用代理奖励混合实现有效奖励倾斜
Steered Not Stirred: Effective Reward Tilting using Surrogate Reward Mixing
AI 导读
研究者提出 MARTINI 方法，通过组合多个廉价代理奖励，将预训练连续时间生成模型引导至由不可观测 oracle 奖励 R* 倾斜的分布，且推理时无需查询 oracle。
来源：arXiv · cs.LG · arxiv.org